論文の概要: Quasi-Synthetic Riemannian Data Generation for Writer-Independent Offline Signature Verification

• arxiv url: http://arxiv.org/abs/2509.20420v1
• Date: Wed, 24 Sep 2025 12:28:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.523603
• Title: Quasi-Synthetic Riemannian Data Generation for Writer-Independent Offline Signature Verification
• Title（参考訳）: 書き手非依存のオフライン信号検証のための準合成リーマンデータ生成
• Authors: Elias N. Zois, Moises Diaz, Salem Said, Miguel A. Ferrer,
• Abstract要約: 手書き署名検証のための準合成データ生成フレームワークを提案する。 対称正定値行列(SPD)空間における真のサンプルの小さなセットが種である。 メトリック学習フレームワークは、類似した異なるSPDポイントのペアを使用し、その後、実世界のデータセット上でそれをテストする。
• 参考スコア（独自算出の注目度）: 6.230935923793499
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Offline handwritten signature verification remains a challenging task, particularly in writer-independent settings where models must generalize across unseen individuals. Recent developments have highlighted the advantage of geometrically inspired representations, such as covariance descriptors on Riemannian manifolds. However, past or present, handcrafted or data-driven methods usually depend on real-world signature datasets for classifier training. We introduce a quasi-synthetic data generation framework leveraging the Riemannian geometry of Symmetric Positive Definite matrices (SPD). A small set of genuine samples in the SPD space is the seed to a Riemannian Gaussian Mixture which identifies Riemannian centers as synthetic writers and variances as their properties. Riemannian Gaussian sampling on each center generates positive as well as negative synthetic SPD populations. A metric learning framework utilizes pairs of similar and dissimilar SPD points, subsequently testing it over on real-world datasets. Experiments conducted on two popular signature datasets, encompassing Western and Asian writing styles, demonstrate the efficacy of the proposed approach under both intra- and cross- dataset evaluation protocols. The results indicate that our quasi-synthetic approach achieves low error rates, highlighting the potential of generating synthetic data in Riemannian spaces for writer-independent signature verification systems.
• Abstract（参考訳）: オフライン手書き署名検証は、特に、未確認の個人に対してモデルを一般化しなければならないライターに依存しない設定において、依然として難しい課題である。 最近の発展は、リーマン多様体上の共分散記述子のような幾何学的に着想を得た表現の利点を強調している。 しかし、過去または現在、手作りまたはデータ駆動のメソッドは通常、分類器のトレーニングのために現実世界のシグネチャデータセットに依存する。 本研究では,Symmetric Positive Definite matrices (SPD) のリーマン幾何学を利用した準合成データ生成フレームワークを提案する。 SPD空間における真のサンプルの小さな集合はリーマン混合の種であり、リーマン中心を合成作家と同定し、その性質として分散する。 各中心におけるリーマン・ガウスのサンプリングは正および負の合成SPDの集団を生成する。 メトリック学習フレームワークは、類似した異なるSPDポイントのペアを使用し、その後、実世界のデータセット上でそれをテストする。 欧米とアジアの書体スタイルを包含する2つのポピュラーな署名データセットを用いた実験は、提案手法の有効性を、データセット内およびクロスデータセット評価プロトコルの両方で実証する。 その結果, 準合成手法は低誤差率を実現し, 著者に依存しない署名検証システムのためのリーマン空間における合成データ生成の可能性を強調した。

関連論文リスト

• Generating Realistic Tabular Data with Large Language Models [49.03536886067729]
  大規模言語モデル(LLM)は多様なタスクに使われてきたが、特徴と対象変数の正確な相関は捉えていない。 そこで本研究では,LLMに基づく3つの重要な改良を加えて,実データの特徴クラス相関を正しく把握する手法を提案する。 実験の結果,本手法は下流タスクにおいて,20個のデータセット上で10個のSOTAベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-10-29T04:14:32Z)
• Geometry-Aware Generative Autoencoders for Warped Riemannian Metric Learning and Generative Modeling on Data Manifolds [18.156807299614503]
  本稿では,多様体学習と生成モデルを組み合わせた新しいフレームワークであるGeometry-Aware Generative Autoencoder (GAGA)を紹介する。 GAGAは、シミュレーションおよび実世界のデータセットにおける競合性能を示し、単一セルの集団レベルの軌道推定における最先端の手法よりも30%改善されている。
  論文  参考訳（メタデータ） (2024-10-16T17:53:26Z)
• Combining propensity score methods with variational autoencoders for generating synthetic data in presence of latent sub-groups [0.0]
  ヘテロジニティは、例えば、サブグループラベルによって示されるように知られ、あるいは未知であり、双曲性や歪みのような分布の性質にのみ反映されるかもしれない。 本研究では,変分オートエンコーダ(VAE)から合成データを取得する際に,このような異種性をどのように保存し,制御するかを検討する。
  論文  参考訳（メタデータ） (2023-12-12T22:49:24Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Riemannian Diffusion Schr\"odinger Bridge [56.20669989459281]
  拡散モデルのサンプリングを高速化するために,emphRiemannian Diffusion Schr"odinger Bridgeを導入する。 提案手法は, 合成データと実際の地球・気候データについて検証する。
  論文  参考訳（メタデータ） (2022-07-07T00:35:04Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)
• Recent Developments Combining Ensemble Smoother and Deep Generative Networks for Facies History Matching [58.720142291102135]
  本研究は、ファシズムモデルのための連続パラメータ化を構築するためのオートエンコーダネットワークの利用に焦点を当てる。 本稿では,VAE,GAN,Wasserstein GAN,変分自動符号化GAN,サイクルGANの主成分分析(PCA),転送スタイルネットワークのPCA,スタイル損失のVAEの7種類の定式化をベンチマークする。
  論文  参考訳（メタデータ） (2020-05-08T21:32:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。